增強(qiáng)型語音通話服務(wù)（EVS）編解碼器

    目前，由于音頻帶寬較窄及非語音信號(hào)處理水平較差等限制因素，通話服務(wù)往往無法提供高品質(zhì)的聲音體驗(yàn)。然而，語音和音頻編碼技術(shù)取得的最新進(jìn)展將有助于大幅提升通話服務(wù)質(zhì)量，通過提供全頻帶音頻傳輸實(shí)現(xiàn)更貼近原聲的聲音體驗(yàn)，并改善語言清晰度及聆聽舒適度。

    最新通過標(biāo)準(zhǔn)化的增強(qiáng)型語音通話服務(wù)（EVS）編解碼器是首個(gè)提供超寬帶音頻帶寬，且在9.6kbps比特率下仍能極大改善語音通話質(zhì)量的3GPP編解碼器。同時(shí)，在處理音樂以及混合內(nèi)容等信號(hào)方面，EVS的性能可與最新的音頻編解碼器相媲美。EVS的關(guān)鍵技術(shù)是在處理語音信號(hào)和音樂信號(hào)的專業(yè)編碼模型之間進(jìn)行靈活切換。這一編解碼器由運(yùn)營商、終端設(shè)備、基礎(chǔ)設(shè)施和芯片提供商以及語音與音頻編碼方面的專家聯(lián)合開發(fā)，其中包括愛立信、Fraunhofer集成電路研究所、華為技術(shù)有限公司、諾基亞公司、日本電信電話公司（NTT）、日本NTT DOCOMO公司、法國電信（ORANGE）、日本松下公司、高通公司、三星電子公司、VoiceAge公司及中興通訊股份有限公司等。

*Fraunhofer美國數(shù)字媒體技術(shù)部隸屬于Fraunhofer美國分部，旨在推廣和支持Fraunhofer集成電路研究所在美國推出的產(chǎn)品。

    本文旨在簡要介紹EVS技術(shù)的通信系統(tǒng)藍(lán)圖。在強(qiáng)調(diào)主要設(shè)計(jì)制約因素和特征的同時(shí)，也包含了簡要的技術(shù)見解，并展示與探討了在標(biāo)準(zhǔn)化過程中，尤其是選擇和測定階段所進(jìn)行的音質(zhì)評(píng)價(jià)測試結(jié)果。 

    通信系統(tǒng)

    語音通話質(zhì)量與電視上播放的電影原聲相比，標(biāo)準(zhǔn)手機(jī)通話的語音通常都非常模糊。這主要是受現(xiàn)有電話系統(tǒng)音頻帶寬的限制。圖1顯示了傳統(tǒng)通信/廣播電視系統(tǒng)的不同音頻帶寬容量及人耳聽覺系統(tǒng)所能聽到的聲音頻率范圍。

圖1：廣播電視和通信系統(tǒng)的音頻質(zhì)量

    老式電話系統(tǒng)主要支持窄帶音頻信號(hào)，音頻帶寬的頻率僅到3.4kHz。高清語音服務(wù)(WB)則可支持寬帶音頻信號(hào)，音頻帶寬的頻率達(dá)到7kHz�？紤]到人耳聽覺能力，實(shí)現(xiàn)高保真音質(zhì)需要帶寬頻率支持到20kHz，而高清語音服務(wù)技術(shù)仍無法實(shí)現(xiàn)。因此，在高清語音技術(shù)之后又進(jìn)一步出現(xiàn)了全高清語音技術(shù)，可提供超寬帶和全頻帶的語音通話質(zhì)量。超寬帶技術(shù)的音頻頻譜為16kHz，而全頻帶的頻率分量高達(dá)20kHz。

    目前，固話服務(wù)可實(shí)現(xiàn)窄帶或?qū)拵дZ音質(zhì)量。這些系統(tǒng)主要采用比特率為64kbit/s的G.711^【1】或G.722^【2】編解碼技術(shù)。在移動(dòng)通信環(huán)境下，窄帶為默認(rèn)質(zhì)量標(biāo)準(zhǔn)；而現(xiàn)在出現(xiàn)了越來越多的寬帶服務(wù)。用于窄帶或?qū)拵б苿?dòng)通信服務(wù)的編解碼器通常采用AMR-NB^【3】和AMR-WB^【4】編解碼技術(shù)，并且一般在12kbit/s比特率下運(yùn)行。一些移動(dòng)網(wǎng)絡(luò)甚至可支持如23.85kbit/s等更高的AMR-WB速率，盡管與默認(rèn)速率相比，在語音質(zhì)量方面的改善仍較為有限。移動(dòng)通信編解碼器在處理語音信號(hào)方面進(jìn)行了極大的優(yōu)化，其結(jié)果導(dǎo)致在處理音樂等信號(hào)方面的能力則不盡如人意。

    目前，用于遠(yuǎn)程或?qū)Ｓ靡曨l會(huì)議的通信系統(tǒng)已能實(shí)現(xiàn)全高清語音通話質(zhì)量。針對(duì)這些系統(tǒng)的現(xiàn)行標(biāo)準(zhǔn)編解碼器為AAC-(E)LD音頻編解碼器^【5】。這類編解碼器可在24kbit/s至64kbit/s的比特率范圍下運(yùn)行，能夠傳輸語音和音樂信號(hào)。

    AAC-(E)LD音頻編解碼器也被應(yīng)用于OTT服務(wù)。典型的OTT應(yīng)用包括Skype、Facetime等，針對(duì)這些應(yīng)用的IP數(shù)據(jù)包傳輸處理不涉及運(yùn)營商的網(wǎng)絡(luò)管理。

    3GPP EVS編解碼器^【6,7】解決了移動(dòng)通話和固話系統(tǒng)中存在的兩大主要問題，即音頻帶寬較窄及非語音信號(hào)處理能力較差。同時(shí)，這一編解碼器能在移動(dòng)服務(wù)的常用比特率下運(yùn)行。這為適用于各類網(wǎng)絡(luò)通信質(zhì)量方面的用戶體驗(yàn)新標(biāo)準(zhǔn)奠定了基礎(chǔ)，包括固話服務(wù)、移動(dòng)通話服務(wù)和OTT服務(wù)等。在以下的章節(jié)中，本文將概述EVS設(shè)計(jì)可大幅提升服務(wù)質(zhì)量的主要技術(shù)要素。需要注意的是，除音頻編碼器之外，還有很多因素也會(huì)對(duì)端到端服務(wù)的用戶體驗(yàn)產(chǎn)生重大影響。這些因素包括音頻前端處理（包括回聲消除、噪聲抑制、自動(dòng)增益控制、風(fēng)噪聲過濾和混響消除等）以及導(dǎo)致延遲抖動(dòng)及數(shù)據(jù)丟包等的網(wǎng)絡(luò)行為。

    EVS編解碼器介紹

    設(shè)計(jì)目標(biāo)

    EVS編解碼器于2014年9月在3GPP通過標(biāo)準(zhǔn)化評(píng)估^【6】，具有多項(xiàng)功能實(shí)現(xiàn)前所未有的多功能性及通訊高效性。這一編解碼器主要面向VoLTE服務(wù)，可實(shí)現(xiàn)3GPP設(shè)定的以下目標(biāo)：

    1. 提高窄帶（EVS-NB）和寬帶（EVS-WB）語音服務(wù)的質(zhì)量和編碼效率；

    2. 引入超寬帶（EVS-SWB）語音服務(wù)，提高通信質(zhì)量；

    3. 提高會(huì)話應(yīng)用程序中混合內(nèi)容和音樂信號(hào)的質(zhì)量；

    4. 具備防止數(shù)據(jù)丟包和延遲抖動(dòng)的能力；

    5. 針對(duì)AMR-WB編解碼器^【20】向下兼容。

    如上文所述，本文將主要圍繞設(shè)計(jì)目標(biāo)2和3展開討論。為確保信息完整性，本文后面部分也將討論如何改善目標(biāo)1中提出的傳統(tǒng)窄帶和寬帶服務(wù)。除上述指出的質(zhì)量改善外，EVS編解碼器還具備通信系統(tǒng)所需的一系列功能，如語音活動(dòng)檢測（VAD）、非連續(xù)傳輸（DTX）、舒適噪音生成（CNG）或抖動(dòng)緩沖管理（JBM）等。該編解碼器可在5.9kbit/s至128 kbit/s寬比特率范圍內(nèi)運(yùn)行，從而提供可適用于所有網(wǎng)絡(luò)的比特率。參考^【6】中介紹了EVS標(biāo)準(zhǔn)化中所有的設(shè)計(jì)限制因素。

    技術(shù)概述

    編碼模式

    總體來看，音頻編碼可被分為以下兩種模式：

• 語音編碼：模擬人類聲道
• 感知編碼：利用人類聽覺系統(tǒng)感知的限制因素

    正如參考^【8】中所述，AMR-NB和AMR-WB等高效的語音編碼體系通常擁有三大主要組成部分，包括：（1）模擬人類聲道的短期線性預(yù)測（LP）濾波器；（2）模擬聲帶激勵(lì)信號(hào)周期的長期預(yù)測（LTP）濾波器；及（3）用于對(duì)語音信號(hào)非預(yù)測性內(nèi)容進(jìn)行編碼的創(chuàng)新型代碼本。

    AAC^【9】等感知編碼體系主要基于以下三大步驟：（1）進(jìn)行時(shí)間/頻率轉(zhuǎn)換；（2）通過后續(xù)量化階段減少不相關(guān)性，在這一階段可使用心理聲學(xué)模型信息來控制量化誤差；（3）減少冗余，即在編碼階段，通過熵編碼的方式使用代碼表處理量化頻譜系數(shù)和相關(guān)邊信息。這就形成了適應(yīng)于輸入信號(hào)數(shù)據(jù)及人類感知特點(diǎn)的受源代碼控制的編解碼器。

    一般來說，在低比特率情況下，語音編碼方式可更好地處理純粹、清晰的語音信號(hào)，而感知編碼方式可更好地處理音樂等一般聲音內(nèi)容，并實(shí)現(xiàn)可感知的、明晰的聲音質(zhì)量。

    首個(gè)結(jié)合了這兩大編碼方式的編解碼器為語音/音頻統(tǒng)合編解碼器（USAC）^【8】。USAC算法延遲超過了100毫秒，這是雙向通信應(yīng)用不可接受的。然而，得益于USAC卓越的編碼性能，這一統(tǒng)合的編碼方法已經(jīng)被采用并且取得了進(jìn)一步的優(yōu)化，以滿足EVS極具挑戰(zhàn)性的要求。

    低延遲語音/音頻切換編碼

    在32毫秒低算法延遲下，EVS編解碼器是首個(gè)在語音和音頻壓縮之間部署基于內(nèi)容且具備即時(shí)切換功能的移動(dòng)通信編解碼器，極大地改善了針對(duì)音樂信號(hào)等一般內(nèi)容的編碼性能。

    該語音編碼器是改進(jìn)型代數(shù)碼激勵(lì)線性預(yù)測（ACELP），還采用了適合不同語音類別的線性預(yù)測模式。對(duì)于音頻信號(hào)編碼，則采用頻域（MDCT）編碼方式，并特別關(guān)注低延遲/低比特率情況下的頻域編碼效率，從而在語音處理器和音頻處理器之間實(shí)現(xiàn)無縫可靠的切換。圖2展示了EVS編碼器和解碼器的高級(jí)框圖。

圖2：EVS編解碼器結(jié)構(gòu)

    超寬帶編碼及更先進(jìn)的技術(shù)

    EVS可支持超寬帶甚至全頻帶服務(wù)，從而克服當(dāng)前通話中聲音不清晰的問題。從技術(shù)上來看，EVS可通過擴(kuò)展帶寬實(shí)現(xiàn)這一目標(biāo)。根據(jù)是否采用語音或音頻模式，可部署時(shí)域帶寬擴(kuò)展（TBE）技術(shù)或一體化頻域解決方案。后者可提供多個(gè)子模式，如可處理傳統(tǒng)音樂信號(hào)的諧波模型編碼模式等。EVS是首個(gè)可提供通過不同方式優(yōu)化的帶寬擴(kuò)展方式的編解碼器，而這樣的帶寬擴(kuò)展方式通常基于源代碼控制來進(jìn)行使用或切換�；�于專用的內(nèi)容優(yōu)化方式，即便在比特率非常低的情況下也能夠提供非常自然、清晰的音質(zhì)。

    性能評(píng)估

圖3：3GPP EVS編解碼器針對(duì)多帶寬清晰語音的鑒定測試結(jié)果

圖4：3GPP EVS編解碼器針對(duì)多帶寬混合內(nèi)容和音樂信號(hào)的鑒定測試結(jié)果

    目前，3GPP已進(jìn)行了大量測試來驗(yàn)證EVS在不同情況下以及處理不同內(nèi)容^【11】時(shí)所表現(xiàn)出的性能，其中包括根據(jù)P.800 DCR方法^【12】進(jìn)行的多頻帶測試。圖3和圖4分別顯示了（DOMS評(píng)分表）中清晰語音（英語）及混合內(nèi)容和音樂信號(hào)的音質(zhì)級(jí)別。結(jié)果顯示了在不同比特率下移動(dòng)蜂窩業(yè)務(wù)常用的窄帶、寬帶和超寬帶下的不同音質(zhì)。下面將對(duì)這些結(jié)果進(jìn)行討論：

    對(duì)于（超寬帶模式下運(yùn)行的）EVS編解碼器，比特率為9.6kbit/s時(shí)純語音音質(zhì)評(píng)價(jià)值已非常高，大大超過了AMR-WB在23.85kbits/s比特率下的音質(zhì)，同時(shí)這一數(shù)值將隨比特率的增加而增加。從13.2kbits/s開始，EVS-SWB的語音音質(zhì)已經(jīng)接近“直接來源”（原音）的音質(zhì)。

    （在超寬帶模式下運(yùn)行的）EVS編解碼器在處理混合內(nèi)容和音樂信號(hào)時(shí)的性能大大優(yōu)于AMR-WB編解碼器。在相同比特率下，其得分基本都比AMR-WB編解碼器高出1.2個(gè)平均意見得分（MOS）。在比特率為24.4kbit/s的情況下，EVS編解碼器在處理混合內(nèi)容和音樂信號(hào)時(shí)所呈現(xiàn)的音質(zhì)可接近“直接來源”（原音）的音質(zhì)。

    初看上去，在同等比特率下，即便使用雙倍音頻帶寬，AMR-WB編解碼器在處理混合內(nèi)容和音樂信號(hào)時(shí)呈現(xiàn)的音質(zhì)也比不上AMR-NB編解碼器，這讓人覺得出乎意料。但EVS編解碼器已經(jīng)解決了這一問題。

    在處理窄帶輸入信號(hào)時(shí)，EVS編解碼器處理純語音及混合內(nèi)容和音樂信號(hào)時(shí)實(shí)現(xiàn)的音質(zhì)要優(yōu)于AMR-NB編解碼器。這一模式在連接至如固話網(wǎng)絡(luò)等窄帶網(wǎng)絡(luò)時(shí)非常有用。

    眾所周知，由于語言和所選內(nèi)容的不同，測試的結(jié)果及結(jié)果分析也各有不同。然而，在3GPP進(jìn)行篩選的階段，EVS編解碼器已經(jīng)過10種語言、6種不同背景噪音及各種音樂內(nèi)容的測試，展現(xiàn)出了其卓越的性能并大大改善了早期標(biāo)準(zhǔn)。這些測試結(jié)果以及之后對(duì)EVS編解碼器進(jìn)行的進(jìn)一步性能鑒定結(jié)果已在3GPP發(fā)布的技術(shù)報(bào)告（TR）26.953^【11】中公布。

    應(yīng)用

    自第四代移動(dòng)網(wǎng)絡(luò)標(biāo)準(zhǔn)LTE問世以來，蜂窩電話網(wǎng)絡(luò)開始向基于IP的傳輸方式轉(zhuǎn)變。LTE標(biāo)準(zhǔn)以發(fā)展成熟的GSM和UMTS標(biāo)準(zhǔn)為基礎(chǔ)，可提供全I(xiàn)P架構(gòu)和實(shí)現(xiàn)低延遲。LTE需要部署全I(xiàn)P語音業(yè)務(wù)或VoLTE業(yè)務(wù)，而這也可促使所有語音服務(wù)采用IP網(wǎng)絡(luò)進(jìn)行傳輸，最終淘汰基于GSM、UMTS和CDMA等網(wǎng)絡(luò)的傳統(tǒng)轉(zhuǎn)換服務(wù)。

    在全高清語音技術(shù)的推動(dòng)下，服務(wù)提供商可擺脫這些傳統(tǒng)服務(wù)的限制，包括音頻帶寬方面的較大限制及需要使用以處理語音信號(hào)為主的編解碼器等。由于VoLTE可在管理有序的網(wǎng)絡(luò)中提供優(yōu)質(zhì)服務(wù)（QoS），EVS有望在音質(zhì)、穩(wěn)定性和服務(wù)可用性方面超越Skype或Viber等OTT服務(wù)。因此，移動(dòng)運(yùn)營商將可能在語音服務(wù)領(lǐng)域收復(fù)失地。

    得益于杰出的防錯(cuò)能力^【10】，EVS非常適用于Wi-Fi語音等最佳網(wǎng)絡(luò)，而且未來還可用于3G/電路交換系統(tǒng)。

    結(jié)語

    憑借無法比擬的語音和音頻質(zhì)量等多項(xiàng)新特性，符合3GPP最新標(biāo)準(zhǔn)的EVS編解碼器可作為一種效率最高、功能最全的編解碼器適用于各種網(wǎng)絡(luò)（尤其是蜂窩LTE網(wǎng)絡(luò)和Wi-Fi語音網(wǎng)絡(luò)等），以實(shí)現(xiàn)高質(zhì)量通信。即便在移動(dòng)通信服務(wù)中，EVS編解碼器也能呈現(xiàn)接近原音的音質(zhì)，從而為用戶帶來全新的體驗(yàn)。因此，即將推出的EVS編解碼器可為移動(dòng)通信運(yùn)營商及其客戶帶來長遠(yuǎn)的好處。

    參考資料

[1] ITU-T Rec. G.711，“語音頻率的脈沖編碼調(diào)制”

[2] ITU-T Rec. G.712，“64kbit/s內(nèi)的7kHz音頻編碼”

[3] K. Jarvinen.“自適應(yīng)多速率編解碼器的標(biāo)準(zhǔn)化”，Proc. EUSIPCO，2000年9月

[4] B. Bessette等，“自適應(yīng)多速率帶寬語音編解碼器（AMR-WB）”，電氣與電子工程師協(xié)會(huì)（IEEE）“語音和音頻處理”譯文，第10卷，第8號(hào)，第620-636頁，2002年11月

[5] M. Schnell等，“MPEG-4 增強(qiáng)型低延遲ACC——高音質(zhì)通信新標(biāo)準(zhǔn)”，第125屆音頻工程師協(xié)會(huì)大會(huì)，2008年10月

[6] S. Bruhn等，“新EVS編解碼器標(biāo)準(zhǔn)化”，Proc. ICASSP，2015年4月

[7] Martin Dietz等，“EVS編解碼器架構(gòu)概述”，Proc. ICASSP，2015年4月

[8] M. Neuendorf等，“低比特率下高音質(zhì)語音/音頻統(tǒng)合編碼方案”，Proc. ICASSP，2009年4月

[9] M. Bosi等，“ISO/IEC MPEG-2增強(qiáng)型音頻編碼”，第4382號(hào)論文，第101屆音頻工程師協(xié)會(huì)大會(huì)，1996年11月

[10] V. Atti等，“3GPP EVS渠道感知編碼可改善VOLTE及VOIP的容錯(cuò)性”，Proc. ICASSP，2015年4月

[11] 3GPP TR 26.952，“通用移動(dòng)通信系統(tǒng)（UMTS）；LTE；EVS編解碼器；性能鑒定”，http://www.3gpp.org/DynaReport/26952.htm

[12] ITU-T Rec. P.800，“傳輸質(zhì)量主觀驗(yàn)證方法”，1996年8月

本文檔的內(nèi)容“按原樣”提供，不帶有任何明示或暗示的擔(dān)�；驐l件，包括但不限于適銷性、針對(duì)特定用途的默認(rèn)擔(dān)保等。

本文檔內(nèi)容的版權(quán)歸Fraunhofer-Gesellschaft所有，并可在不另行通知的情況下隨時(shí)進(jìn)行修改和/或更新。因此，不允許轉(zhuǎn)售本文全部或部分內(nèi)容或?qū)⑵溆糜谏虡I(yè)用途，或?qū)⑵溆糜谄渌�產(chǎn)品。

版權(quán)所有©Fraunhofer-Gesellschaft，2015年7月。